基于机器学习的金属氧化物在烟气汞去除中的应用研究

《Journal of Environmental Chemical Engineering》：Research on the Application of Metal Oxides in Flue Gas Mercury Removal Enabled by Machine Learning

　　

摘要

金属氧化物用于从烟气中去除单质汞（Hg⁰）的应用受复杂气体条件、吸附剂物理化学性质的变化以及包括物理扩散和表面化学反应在内的耦合子过程的影响。传统方法无法识别关键因素，限制了高性能材料的快速筛选和合理设计。本研究提出了一种机器学习模型，用于指导高效汞捕获金属氧化物吸附剂的合理设计。共收集了 962 个数据点，包含 27 个输入特征，包括三类特征：元素描述符、吸附剂性质和反应条件。该数据集通过七种不同的机器学习模型进行了分析，其中随机森林（RF）模型表现最佳。该机器学习模型还被用于开发具有优异抗硫性的 MnTi 基吸附剂。预测的 MnNiTi 在 1000 ppm SO₂ 下表现出稳定且高于 88% 的 Hg⁰去除效率，证明了机器学习模型的应用潜力。本研究为了解金属氧化物去除汞的机制提供了有价值的见解，并为汞去除金属氧化物材料的合理设计提供了指导。

引言

汞是环境中自然存在的元素，分布广泛 [1]。在大气中，汞可以以单质形式存在并发生长距离传输，使其成为全球性污染物 [2]。它主要通过饮食摄入进入人体，对健康和生态系统构成重大风险，尤其是对肾脏和神经系统，同时也造成严重危害 [3], [4], [5]。考虑到汞的危害，有效实施汞减排措施具有重要意义 [6], [7], [8]。人为排放构成了大气汞的主要来源，尤其是燃煤电厂排放的烟气 [9], [10]。烟气中的汞主要以单质汞（Hg⁰）、氧化汞（Hg²⁺）和颗粒态汞（Hg^p）的形式存在。Hg²⁺ 由于其高水溶性，可通过湿法烟气脱硫系统去除。Hg^p 附着在颗粒物上，易于沉降，可通过袋式除尘器或静电除尘器等除尘设备高效去除。然而，Hg⁰ 在水中溶解度低且挥发性强，难以用现有设备有效去除。因此，从烟气中有效去除 Hg⁰ 对于控制汞排放至关重要 [5], [11], [12], [13]。

目前，烟气汞去除的常见技术包括吸附 [14]、催化氧化 [15], [16], [17]、光催化氧化 [18], [19] 和非热等离子体氧化 [20], [21], [22]。其中，吸附因其工艺简单、能耗低、污染小等特点，已成为最具可行性和前景的方法之一 [23]。常见吸附剂包括活性炭 [24]、生物炭 [25]、石墨炔 [26]、金属氧化物 [27] 和金属有机框架 [28]（MOFs）。

金属氧化物吸附剂因其氧化还原活性、丰富的表面活性位点、热稳定性和易于改性，在单质汞去除方面具有吸引力。然而，二氧化硫可以占据金属位点，消耗活性氧物种，并形成稳定的表面硫酸盐。这些过程会阻塞或使活性位点失活，从而降低汞去除效率。因此，几项研究调查了添加其他金属元素以提高抗硫性。Chen [29] 等人报告称，Cr 提高了 MnO_x-TiO₂ 的汞去除活性和抗硫性。Li [30] 等人发现，Ce 促进了 Co-Mn/TiO₂ 中活性组分的分散以及不同金属物种之间的相互作用。Zhang [31] 等人表明，Sn 和 Cr 之间的相互作用提高了基于 Mn 的复合氧化物的抗硫性。尽管取得了这些进展，但这些元素的作用强烈依赖于材料成分和反应条件。吸附剂性质和烟气组成的差异也使直接比较变得困难。因此，需要一种数据驱动的方法来识别影响汞去除的主要因素，并指导抗硫材料的设计。

机器学习是一种数据驱动的智能建模技术。近年来，该技术已被广泛应用于环境污染控制、材料筛选和优化设计，例如识别土壤中重金属污染的来源并预测生态风险 [32]，优化生物炭吸附剂的合成 [33]，以及预测磷去除性能 [34]。机器学习通过学习大量数据中的模式并建立结构 - 性能相关性，在预测和合理设计金属氧化物吸附剂方面具有巨大潜力。然而，此类应用在汞去除方面仍 largely 未探索。因此，本研究采用了七种机器学习算法，即 ElasticNet、支持向量回归（SVR）、Light 梯度提升机（LightGBM）、梯度提升回归（GBR）、极端梯度提升（XGBoost）、CatBoost 和随机森林（RF），建立了使用金属氧化物吸附剂从燃煤烟气中去除汞的预测框架。通过将材料的物理化学性质与代表性烟气操作条件相结合，所提出的框架能够对汞去除性能进行全面预测。此外，应用了包括特征重要性分析和部分依赖图在内的可解释性技术，以识别控制汞去除效率的关键因素和相互作用模式。为了提高 Mn–Ti 吸附剂的抗硫性，基于模型预测选择了具有增强抗硫性的 MnNiTi 和 MnCoTi 吸附剂，并随后进行了实验验证，证明了所提出的机器学习框架的实际适用性。据我们所知，本研究是首次尝试应用机器学习模型来指导烟气汞去除金属氧化物吸附剂的开发。这项工作不仅为了解金属氧化物的汞去除机制提供了有价值的见解，还为金属氧化物吸附剂的合理设计提供了有用的指导。本研究的详细工作流程如图 1 所示。

章节片段

数据来源

数据集是从 2015 年至 2025 年间发表的同行评议文章中整理的，并在 Web of Science 核心合集中有索引。使用 DOI 和标题匹配识别重复记录，并在筛选前将其删除。文献识别、筛选、资格评估和数据整理程序总结在图 S1 中。保留了八篇符合条件的出版物，并从文本和表格中提取数值或使用数字化工具从已发表的图表中提取

数据集统计分析

图 2 展示了标准化输入特征的提琴图 [35]。尽管标准化改变了每个变量的尺度，但它不会改变底层分布形状。包括载体和改性元素的电负性、原子半径和相对原子质量 [36] 在内的元素描述符，表现出聚类或多峰分布。这是因为这些描述符是由少数常见研究元素确定的，而不是

结论

在评估的七种算法中，RF 模型显示出最佳的预测性能，R² 为 0.9662，RMSE 为 3.4644，MAE 为 1.8440。SHAP 和 PDP 分析显示，在当前数据集中，反应条件施加了主导影响。反应温度、O₂ 浓度、运行时间和 SO₂ 浓度是排名最高的四个特征，而表面氧物种和结构性质也做出了重要贡献。实验验证

作者贡献声明

尹靖： 写作 – 审查和编辑。 阮鸿程： 写作 – 审查和编辑。 曹燕晓： 写作 – 审查和编辑。 何瑞： 验证，数据整理。 安苗： 验证，调查。 孙杨： 写作 – 原稿撰写，可视化，方法论，形式分析。 李红湖： 写作 – 审查和编辑，指导，资源，概念化。 钱智领： 写作 – 审查和编辑。 刘密： 写作 – 审查和编辑。 杨娇雨： 验证。 崔杰： 验证。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能会被认为影响了本论文中报告的工作。

致谢

这项工作得到了国家自然科学基金（52100134）和湖北省科技创新人才计划青年科技人才培养项目（2025DJA109）的支持。

孙杨 | 安苗 | 何瑞 | 崔杰 | 杨娇雨 | 刘密 | 钱智领 | 尹靖 | 曹燕晓 | 阮鸿程 | 李红湖

中国湖北省武汉市 430073，中南财经政法大学环境与健康研究中心